高校专区
块衰落信道下的抗丢包无线视频令牌通信
机构 * Shanghai Jiao Tong University（上海交通大学） ； Singapore University of Technology and Design（新加坡科技设计大学）
AI总结 针对块衰落信道下无线视频令牌传输的丢包问题，提出WVTC框架，通过评估令牌重要性、混合打包与在线调度优化，实现无需重传的高质量视频重建，提升抗误码性能。
支持种群规模扩展的多智能体世界建模
机构 * Shanghai Jiao Tong University（上海交通大学）
AI总结 针对多智能体世界模型的种群可扩展性问题，提出无需重训练即可扩展至任意智能体数量的Khora模型，通过解耦世界状态演化与渲染实现跨视图一致性，验证了泛化性并构建了实时交互系统。
Comments Technical report. Project page: https://rhos.ai/research/khora. Online demo: https://ophilus.ai/khora
SegDem：分割任务助力去马赛克
机构 * Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳）） ； Shanghai Jiao Tong University（上海交通大学） ； Nanjing University (Suzhou)（南京大学（苏州））
AI总结 该研究提出SegDem框架，通过实例分割与跨任务解码器表示迁移，结合DINOv2共享表示空间，在单/四拜耳去马赛克任务上，于多类数据集实现不同架构下的性能稳定提升。
Comments 20 pagess
FedDOSE：分解站点效应以建模脑动态功能连接的联邦学习框架
机构 * Nanyang Technological University（南洋理工大学） ； Shanghai Jiao Tong University（上海交通大学） ； Indian Institute of Technology Ropar（罗帕尔印度理工学院）
AI总结 FedDOSE是分解站点效应的联邦学习框架，通过模块化引导Tucker分解等技术处理多站点fMRI的动态功能连接，在ASD和ADHD检测中性能优于现有方法。
从测试时扩展到可复用记忆：测量文本到SQL中的结晶现象
机构 * Xidian University（西安电子科技大学） ； Shanghai Jiao Tong University（上海交通大学）
AI总结 该研究提出文本到SQL的结晶问题，通过受控评估发现存储已验证修正查询可提升BIRD数据集的保留首次尝试准确率，确定数据库特定内容是关键要素，明确验证与检索覆盖的作用。
Comments 18 pages, 6 figures. Open-source code, evaluation artifacts, and reproduction instructions: https://github.com/ai-jiaqian/text-to-sql-memory-crystallization
模块化测试时训练（TTT）：将测试时训练重新思考为可组合模块
机构 * Shanghai Jiao Tong University（上海交通大学） ； Shanghai Innovation Institute（上海创新研究院） ； ByteDance Seed（字节跳动Seed）
AI总结 该研究提出Modular TTT框架，将TTT各组件设为显式设计维度，通过消融实验明确关键组件对性能的影响，训练的大参数模型性能可与Gated DeltaNet媲美。
Comments Code: https://github.com/ByteDance-Seed/Modular-TTT
M2-SMap：基于分层多模型表示的内存高效语义建图
机构 * University of Electronic Science and Technology of China（电子科技大学） ； Shanghai Jiao Tong University（上海交通大学）
AI总结 本文提出基于分层多模型表示的内存高效语义建图框架M2-SMap，通过分层几何分解等策略提升场景表达，在三个RGB-D序列上实现低基元数、无物体粘连的实时建图。
Comments 8 pages, 10 figures
MMAG：多控制混合音频生成基准
机构 * Shanghai Jiao Tong University（上海交通大学） ； Shanghai AI Lab（上海人工智能实验室）
AI总结 本研究针对现有音频生成基准的不足，推出MMAG混合音频生成基准，构建含4000个标注音频的数据集，提出系统评估协议，测试发现各类模型在多控制能力间存在性能权衡，为该领域提供综合基准。
Comments 15 pages, 6 figures
MemPrism：面向长程智能体的任务条件关系记忆视图
机构 * Nanyang Technological University（南洋理工大学） ； South China University of Technology（华南理工大学） ； Beijing University of Posts and Telecommunications（北京邮电大学） ； University of Science and Technology of China（中国科学技术大学） ； Peking University（北京大学） ； Zhejiang University（浙江大学） ； Fudan University（复旦大学） ； Shanghai Jiao Tong University（上海交通大学）
AI总结 该研究针对长程智能体记忆系统的表示不匹配问题，提出MemPrism任务条件关系记忆框架，经实验验证可提升长程任务性能、减少记忆消耗且视图策略可跨VLM迁移。
求解器引导的混合策略均衡推理
机构 * Shanghai Jiao Tong University（上海交通大学） ； GTO Wizard ； Tsinghua University（清华大学） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Vector Institute（向量研究所）
AI总结 本研究提出混合策略决策树（MDT），用求解器输出引导LLM在博弈中的均衡推理，在无限制德州扑克8种LLM配置下，将与均衡的L1距离降低52.6%，且策略可移植性良好。
基于LLM符号化结构化过程的可解释无监督社区检测
机构 * Shanghai Jiao Tong University（上海交通大学） ； University of New South Wales（新南威尔士大学）
AI总结 本研究提出LLM引导的无监督社区检测方法LUCID，通过四阶段流程结合LLM生成规则实现可解释性，在真实数据集上性能优于主流无监督与半监督基线。
视觉工具使用的错觉：对图像思考的因果审查
机构 * Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Shanghai Jiao Tong University（上海交通大学） ； Shanghai Innovation Institute（上海创新研究院）
AI总结 本文通过因果审查方法，发现多模态大语言模型的视觉工具使用存在“调用而不查看”“查看而不规划”等错觉，整体准确率增益下大量场景无因果效果。
EnvACE：通过世界预演内化环境动态以实现智能体强化学习
机构 * Shanghai Jiao Tong University（上海交通大学） ； Zhejiang University（浙江大学） ； National University of Singapore（新加坡国立大学） ； Sun Yat-sen University（中山大学） ； Central South University（中南大学） ； The Chinese University of Hong Kong（香港中文大学） ； Tencent Inc.（腾讯公司）
AI总结 本文提出 EnvACE 方法，以世界预演替代外部环境交互训练 LLM 智能体，在多基准测试中性能优于基线，可突破外部环境约束扩展 LLM 智能体训练。
Diff-VF：基于扩散模型的免训练高质量长视频生成
机构 * Shanghai Jiao Tong University（上海交通大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）
AI总结 提出免训练的Diff-VF框架，通过三种互补策略及跳跃残差引导，实现高质量长视频生成，在时间一致性与动作多样性上优于现有基线。
Comments Accepted for publication in ACM Transactions on Multimedia Computing, Communications, and Applications (TOMM)
利用层级推理和话语级目标奖励增强大型语言模型的社交智能
机构 * Alibaba Group（阿里巴巴集团） ； Shanghai Jiao Tong University（上海交通大学）
AI总结 该研究针对LLMs社交互动不足的问题，提出TSR框架与LHRL-VGR算法，微调Qwen2.5-7B智能体后在SOTOPIA基准上超过GPT-4o基线7.32%，实现多智能体社交谈判的最优性能。
SR-JEPA：在3D场景中学习预测性隐状态
机构 * Boston University（波士顿大学） ； Shanghai Jiao Tong University（上海交通大学）
AI总结 本文提出SR-JEPA，一种面向场景级点云的原生点JEPA，通过仅使用自包含的3D EMA目标训练，在3D场景实体缺失时可查询预测隐状态，在ARKitScenes和Sr3D数据集上取得了良好的语义预测性能，揭示了可组合的3D预测状态。
Comments 17 pages, 5 figures, 9 tables
G$^2$ARD-GS：几何引导的锚点正则化高斯溅射蒸馏
机构 * Shanghai Jiao Tong University（上海交通大学） ； Jishu Technology Co., Ltd.（集度科技有限公司）
AI总结 针对3D高斯溅射模型基元过多导致成本高的问题，提出G$^2$ARD-GS几何引导蒸馏方法，在MatrixCity数据集上实现最优压缩性能，提升了外观适配与配准精度。
势匹配最优传输：用于精确$p$-Wasserstein动力学的连续归一化流
机构 * School of Mathematical Sciences, Shanghai Jiao Tong University（上海交通大学数学科学学院）
AI总结 本研究提出PMOT势匹配最优传输框架，结合CNF与广义Benamou-Brenier形式，实现$p$-最优传输的精确动力学建模，在合成基准、高维表格数据及颜色变换任务中表现出良好性能。
Engram-E2VID：基于外观印迹生成激活的参考式事件到视频重建方法
机构 * Shanghai Jiao Tong University（上海交通大学） ； Beihang University（北京航空航天大学） ； DISCOVER Robotics（DISCOVER机器人公司）
AI总结 本研究提出Engram-E2VID框架，通过外观印迹生成激活实现参考式事件到视频重建，在三个基准测试中PSNR最高提升3.29 dB、LPIPS最高降低0.08，性能随重建间隔增加下降更慢。
Comments 9 pages, 5 figures
语音函数调用：面向大型音频语言模型的语音理解新视角
机构 * Shanghai Jiao Tong University（上海交通大学） ； Token Foundry, Alibaba Group（阿里巴巴集团Token Foundry） ； Shanghai Innovation Institute（上海创新研究院）
AI总结 该研究提出语音函数调用（SFC）这一新型语义理解视角，构建SFC-Bench数据集并评估LLMs与LALMs性能，经后训练提升LALMs的SFC能力，实验显示SFC优于传统SLU，可大幅提升语义提取准确率。
Comments ACM Multimedia 2026
ABSeeker：通过答案回溯信用分配训练长程搜索智能体
机构 * Shanghai Jiao Tong University（上海交通大学）
AI总结 本文提出答案回溯信用分配框架，训练ABSeeker智能体，在BrowseComp等数据集上性能优于同规模模型，接近30B级大模型。
树结构机器人控制固件的静态时序编排
机构 * Shanghai Jiao Tong University（上海交通大学）
AI总结 针对树结构机器人控制固件的结构化数据依赖问题，提出FineMote框架，通过静态调度机制优化时序性能，在真实平台上验证了其有效性。
EndoVLM：一种通过解剖学引导的稀疏性与渐进式对齐实现的内窥镜视觉-语言预训练模型
机构 * DAMO Academy, Alibaba Group（阿里巴巴达摩院） ； The First Affiliated Hospital of Zhejiang Chinese Medical University（浙江中医药大学附属第一医院） ； Shanghai Jiao Tong University（上海交通大学） ； Hupan Lab（湖畔实验室） ； Zhejiang University（浙江大学）
AI总结 本研究提出了EndoVLM这一内窥镜视觉-语言预训练模型，通过解剖学引导的稀疏池化、渐进式语义感知对齐等技术，在34.8万例内窥镜检查数据上预训练，其性能优于现有基础模型且具备零样本泛化能力。
SiMDex：挖掘相似的自我中心视频以实现跨 embodiment 的灵巧操作
机构 * The University of Tokyo（东京大学） ； ByteDance Seed（字节跳动 Seed） ； The University of Hong Kong（香港大学） ； Shanghai Jiao Tong University（上海交通大学） ； Tsinghua University（清华大学）
AI总结 该研究提出SiMDex框架，通过三层流程从海量自我中心人类视频中挖掘与任务相关的子集，用于VLA后训练，仅用少量样本便显著提升了机器人灵巧操作的成功率，证明选择性数据整理更有效。
Comments 12 pages, 4 figures. Project page: https://lin-nie.github.io/SiMDex/
DF³：自主导航中基于无解码器特征预测的世界建模
机构 * The University of Manchester（曼彻斯特大学） ； University of Technology Sydney（悉尼科技大学） ； Shandong University（山东大学） ； Shanghai Jiao Tong University（上海交通大学）
AI总结 本研究提出DF³框架，通过冻结视觉基础模型、MACF机制及专用任务查询，在潜在空间直接预测特征并生成任务输出，在性能与效率上实现平衡，适用于自主导航的世界建模。
Harness-R1：从智能体失败轨迹中学习编辑可执行运行时管控程序
机构 * Shanghai Jiao Tong University（上海交通大学） ； Xiaohongshu Inc.（小红书公司） ； Southeast University（东南大学）
AI总结 Harness-R1是首个基于智能体失败轨迹学习编辑可执行运行时管控程序的方法，经WebShop等基准测试，可提升Qwen3.5-9B智能体成功率，为管控程序与智能体协同进化提供了方向。
HarMoE：基于数据集解耦专家的多源胸部X射线预训练
机构 * University of Bern（伯尔尼大学） ； Shanghai Jiao Tong University（上海交通大学）
AI总结 本研究提出HarMoE框架，通过解耦数据集专家从异构胸部X射线数据集学习，提升了放射学视觉-语言模型的零样本分类、分布外迁移等性能，相关代码与87.3万份数据集将公开。
SVGEval：用于文本到SVG生成中感知质量基准测试与评估的视觉基础框架
机构 * Guangdong Laboratory of Artificial Intelligence and Digital Economy (SZ)（广东省人工智能与数字经济实验室（深圳）） ； School of Integrated Circuits (School of Information Science and Electronic Engineering), Shanghai Jiao Tong University（上海交通大学集成电路学院（信息科学与工程学院）） ； Zhiyuan College, Shanghai Jiao Tong University（上海交通大学致远学院）
AI总结 研究针对文本到SVG生成评估的缺陷，提出视觉基础的SVGEval基准，发现多模态模型在几何布局判断上的差距，训练出可解释的SVG质量评分器，为SVG生成评估改进提供支撑。
Comments Accepted by ECCV 2026
UniMoCa：将运动与相机控制统一为忠实人类视频生成的视觉代理
机构 * SJTU（上海交通大学）
AI总结 UniMoCa是统一运动与相机控制的视觉代理框架，提出MCVP表征并构建MCVP-Video数据集，在Wan2.2 I2V上实现视频生成多方面性能提升且复杂度低
揭示通用多模态嵌入中的视觉身份
机构 * Shanghai Jiao Tong University（上海交通大学） ； Alibaba Group（阿里巴巴集团）
AI总结 该研究针对通用多模态嵌入缺乏视觉身份判别能力的问题，提出视觉身份判别统一形式化，构建MVEB基准，设计身份感知采样的学习框架，提升了UMEs的身份判别能力。
Comments Accepted to CVPR 2026
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈